用于光纤中布里渊频移高效提取的优化前馈神经网络训练
信号处理
2018-12-20 v1
摘要
人工神经网络(ANNs)可用于在各领域替代传统方法,使信号处理更高效并满足物联网(IoT)的实时处理需求。作为一种特殊类型的ANN,前馈神经网络(FNN)近来被用于替代布里渊光时域分析(BOTDA)中耗时的洛伦兹曲线拟合(LCF)方法来提取布里渊频移(BFS),该频移可作为温度/应变传感等的指标。然而,若泛化能力不佳或实验中频率扫描步长改变,FNN需要重新训练。这是一个繁琐且低效的过程。本文中,FNN采用所提方法仅需训练一次。搭建了150.62 km BOTDA以验证训练后FNN的性能。仿真与实验结果表明,所提方法因计算效率高和适应性强,在BOTDA中具有良好应用前景。
引用
@article{arxiv.1812.07737,
title = {Optimized Feedforward Neural Network Training for Efficient Brillouin Frequency Shift Retrieval in Fiber},
author = {Yongxin Liang and Jialin Jiang and Yongxiang Chen and Richeng Zhu and Chongyu Lu and Zinan Wang},
journal= {arXiv preprint arXiv:1812.07737},
year = {2018}
}